可信数据空间作为数据要素流通的关键基础设施，其安全运行依赖于区块链技术所提供的数据不可篡改与可追溯特性。然而，区块链的安全基础建立在传统密码学与共识机制之上，量子计算的兴起动摇了现有区块链系统的安全根基。量子密钥分发与后量子密码是当前应对量子计算威胁的两条主流技术路线。其中，量子密钥分发技术可为远距离通信双方提供信息论安全的密钥协商能力，经过四十余年的发展，已在实用化与安全性方面取得显著进展，初步构建了覆盖全球的天地一体化量子密钥分发网络雏形，为区块链提供了具备量子抵抗能力的新型密码学工具。为此，本文针对联盟链的场景设计了一种抗量子计算的安全动态共识机制，通过量子密钥分发技术实现了区块链节点间的消息认证与签名，显著提升了共识过程的安全性；进一步使用了一种基于一致性哈希环的主节点自动轮播机制，该机制仅需验证消息的配置表版本即可实现节点的安全动态更替与权限的均衡分配；最后，本文以共识机制为基础，设计了一个完整的抗量子计算安全的区块链系统框架，分析了区块链系统的安全性，并完成了效率测试。因此，本文基于量子密钥分发网络构建了具备抗量子计算安全的区块链系统，可以为可信数据空间在量子计算时代实现安全、可信与可扩展的运行提供量子安全的解决方案。

大语言模型具有作为信息工具响应用户请求的根本属性，这一属性同时带来其可能被利用的安全风险。针对该问题，提出反思信息价值行动循环框架RIVAL，通过多轮对话累积和组装分散的无害信息碎片，将其拼合为突破安全边界的完整攻击序列。该框架采用查询-响应协同评估系统，持续量化每轮交互的信息增益和毒性偏离，驱动反思行动循环实现动态策略优化。在StrongReject评估标准下，RIVAL在六个主流大语言模型上进行验证，其中五个非Claude模型的平均攻击成功率达93%，较最优基线提升约10个百分点，说服力与具体性评分提升15%-25%；面对防御能力最强的Claude-3.7-Sonnet，攻击成功率仍保持在71％。上述结果揭示了大语言模型安全机制中的＂时序累积威胁＂现象：看似独立的无害交互可累积形成高信息密度的攻击上下文，这为上下文感知型防御策略的设计提供了重要参考。

针对深度伪造语音技术对身份认证、媒体公信力和司法取证带来的安全威胁，本文对2020至2026年间自监督学习（Self-Supervised Learning，SSL）语音表征驱动的深度伪造语音检测进展进行了系统综述。本文首先概述深度伪造语音生成技术与检测任务，梳理该任务的问题特性；其次，分析wav2vec 2.0、HuBERT、WavLM和XLS-R等SSL骨干的预训练机制与层级表征分布规律；随后，从结构型后端建模、层级与多源特征融合、开放集学习目标、参数高效微调（Parameter-Efficient Fine-Tuning，PEFT）、后训练、轻量化部署以及数据集与评测体系等维度归纳现有方法。已有研究表明，SSL不同层级对声码器伪影、韵律异常和说话人属性偏移的刻画具有一定互补性；在多数报道设置下，适当的层级融合与低成本适配有助于改善跨域鲁棒性。最后，本文归纳大模型驱动的新型攻击、跨语种泛化、对抗鲁棒性、轻量化实时部署、可解释性与合规性等挑战，并认为持续学习、多模态验证和面向伪造检测的专化预训练可能是值得进一步关注的方向。

面向物联网场景中广泛采用的轻量级发布/订阅通信协议MQTT，针对MQTT代理在多方交互场景下模糊测试中存在的输入变异语义感知不足、状态表示粒度较粗以及多客户端异步交互覆盖不足等问题，提出了一种面向多方交互场景的MQTT协议模糊测试方法。采用全局时序交互场景建模方法构建初始种子库，结合语法感知变异、多客户端协同执行以及细粒度状态提取与引导调度机制，对MQTT代理的深层协议逻辑进行定向探索，并基于该方法设计并实现了原型系统MQTTFuzzer。在多款主流开源MQTT代理软件上的对比实验与消融分析表明，该方法在代码覆盖、状态空间探索方面均优于对比工具，能够发现已知和未知安全缺陷。研究结果表明，该方法能够为发布/订阅型协议实现的安全测试提供有效的方法支持。

不经意随机访问机（Oblivious Random Access Machine，ORAM）是一种隐藏内存访问模式的密码学原语，在不可信服务器上存储数据时，确保访问序列不泄露敏感信息。随着云计算与隐私保护需求的快速增长，ORAM已从理论构造发展为实用化技术，带宽开销从平方根级逐步降至理论最优的对数级。该工作旨在系统综述ORAM密码协议的研究进展。首先，介绍ORAM的基本模型、安全定义与核心性能指标；其次，梳理经典构造方案，包括树型ORAM、分层ORAM、多服务器ORAM及其演进脉络；然后，阐述带宽、存储、交互轮数优化及硬件协同设计等性能提升技术；最后，总结ORAM在安全云存储、可信执行环境、多方计算、区块链及联邦学习中的应用，分析当前面临的权衡困境与侧信道安全挑战，并展望未来发展方向。

随着云计算和医疗物联网的快速发展和广泛应用，海量医疗数据成为医疗领域的核心战略资源，云存储为其管理提供支撑的同时，带来了隐私保护与高效检索的双重挑战。现有可搜索加密方案存在海量数据检索效率低、缺乏语义关联、结果不可验证等问题，难以适配医疗数据的检索需求。本文提出支持海量医疗数据语义搜索的可验证可搜索加密方案。方案设计“粗匹配+精排序”二级检索架构，基于局部敏感哈希函数实现海量高维语义向量的快速粗匹配，设计隐私保护欧氏距离比较机制实现密文域内精准排序。方案设计公钥加密-私钥验证的批量验证机制，实现检索结果的正确性验证。通过改进矩阵型LWE（Learning With Errors）加密模式构建全流程密文域交互机制，实现医疗数据特征在抗量子环境下的机密特性，保障多主体协同下医疗数据与检索意图的隐私安全。性能分析与实验仿真表明，方案在100万数据量的搜索计算耗时不超过25秒，远低于其他线性扫描式的检索方案；在通信开销上，相较于其他同样支持向量检索的方案降低了50%，具备突出的性能优势，可有效适配海量医疗数据的隐私保护检索需求。

针对医疗环境中医疗数据面临的量子计算攻击威胁及传统加密系统的局限性，本文提出了一种融合基于格的密钥封装机制(ML-KEM)与区块链技术的后量子医疗数据保护方法。该方案采用ML-KEM实现抗量子密钥交换，引入基于HKDF的层级密钥衍生机制结合AES-256算法实现并行混合加密；采用双层架构对加密数据进行处理，数据层引入RS纠删码实现高效分片，控制层利用Shamir秘密共享对密钥封装密文进行分割，结合星际文件系统(InterPlanetary File System, IPFS)进行去中心化存储；借助区块链技术与智能合约执行不可篡改的访问控制及日志记录。安全性分析与仿真实验结果表明，所提出的方案能够有效抵御经典与量子密码攻击，保障数据的机密性与完整性；同时，系统运行具有较低的计算开销。该研究提升了分布式医疗存储系统的容错性与安全性，增强了方案的可部署性与系统可扩展性。

随着数字化转型的深入发展，数据安全风险评估面临评估指标不全面、权重分配主观性强以及风险排序不直观等挑战。本文提出一种融合层次分析法（Analytic Hierarchy Process，AHP）与逼近理想解排序法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）的数据安全风险评估模型。该模型首先依据 GB/T45577—2025 国家标准，构建包含数据安全管理、数据处理活动安全、数据安全技术 3 个一级指标与 24 个二级指标的评估体系。其次，采用双层 AHP 方法确定指标权重，通过专家打分和一致性检验降低主观偏差。最后，运用 TOPSIS 方法对各类数据安全风险危害程度开展综合排序，实现数据安全风险的量化评估。案例分析结果表明，该模型能够有效识别不同数据安全风险的危害程度，为数据安全风险管理提供了科学决策依据。。

属性签名便于隐匿签名者隐私，能够为电子医疗等网络的匿名认证提供密码原语支撑。然而，现有大多数属性签名方案通过集中式授权的方式管理用户属性密钥。如果属性授权机构被敌手控制，敌手可以伪造任意用户属性密钥，代替用户生成合法签名以牟取非法利益。因此，属性密钥托管问题已经成为限制属性签名应用和发展的安全瓶颈。综上，本文首先提出基于无证书的属性门限签名方案的定义和安全模型；然后，本文采用无证书思想，移除集中式可信属性授权机构，将用户属性密钥的分发和管理权限分别交由系统授权机构与属性授权机构共同承担，提出能够有效克服属性密钥托管问题的属性签名方案；最后，通过形式化安全分析证明提出的属性签名方案能够实现无条件匿名性，并且在随机预言机模型下，针对无证书体制的两类攻击者，签名具有不可伪造性。

在线音频分享平台的广泛应用，使得基于音频隐写的隐蔽通信正从传统的无损信道迅速向有损信道转变。音频分享平台对载密音频的信号处理、二次压缩、格式转换等处理，严重影响秘密信息在传输过程中的可靠性。针对这一挑战，本文提出一种面向音频分享平台的鲁棒轻量化音频隐写方法，以适应音频分享平台这一有损信道对隐写鲁棒性和轻量化的需求。具体来说，首先基于对抗生成网络（generative adversarial network， GAN）设计了一种“以声藏声”的音频隐写框架，包括编码器、解码器、判别器和模拟攻击器；然后，引入GhostNet的轻量化设计理念，构建了新型编码器和解码器，本文通过采用低成本的线性变换替代传统复杂的卷积操作，有效减少了模型参数量和计算复杂度，并结合残差结构提升了训练的稳定性；最后，设计模拟攻击器，通过注意力机制和音量增益模块模拟实际场景中音频分享平台的信息损失，增强隐写的鲁棒性。实验结果表明，所提方法在音频不可感知性、秘密信息提取精度及模型参数规模控制方面均表现优异，在显著降低模型复杂度的同时，有效平衡了音频隐写的隐蔽性与抗攻击能力，展现出在音频分享平台应用场景中的潜在应用价值。

神经网络作为强大的非线性建模工具，近年来已开始在密码学领域展现其潜力，为加密数据分析提供了新的技术思路。本文利用深度神经网络模型从已知加密算法的内部函数中学习映射关系，基于思维链提示模式构建与原算法功能等价的加密神经网络模型，通过精心设计高效的神经网络结构和构造合适的训练数据集，实现了异或、或、与、模加法运算、循环移位、S盒变换、行移位和列混淆等密码算法基本操作的等价神经网络模拟。在此基础上，本文对AES-128、SM4、SIMON32/64和SPECK64/96这4种典型分组密码算法的加密和密钥扩展功能进行了学习，验证了该模型在不同应用场景下的准确率和稳定性。实验结果表明，该模型在AES-128、SM4和SIMON32/64算法上的神经网络等价学习成功率均达到100%，在SPECK64/96算法上的神经网络等价学习成功率也达到97%。基于思维链的分组密码算法等价神经网络模型不仅能够准确学习原加密算法的运算逻辑，而且能有效模拟其密钥扩展过程，具有很高的仿真精度和稳定性。